PENENTUAN KONFIGURASI HYPERPARAMETER BILSTM MENGGUNAKAN BAYESIAN OPTIMIZATION UNTUK PREDIKSI HARGA SAHAM

Akurasi model deep learning dalam memprediksi data pasar saham yang dinamis dan non-linear sangat bergantung pada pemilihan hyperparameter yang optimal. Namun, pemilihan hyperparameter yang optimal membutuhkan biaya fungsi objektif model yang cukup besar karena harus mencoba semua kemungkinan kombinasi dari konfigurasi hyperparameter. Tujuan dari penelitian ini adalah menemukan konfigurasi hyperparameter model BiLSTM yang optimal menggunakan Bayesian Optimization. Penelitian dilakukan menggunakan tiga saham blue chip dari sektor yang berbeda yaitu TLKM, BBCA, dan BYAN dengan dua skenario penggunaan atribut data dan empat kategori jumlah iterasi optimisasi. Hasil pengujian menunjukkan bahwa Bayesian Optimization mampu menemukan konfigurasi hyperparameter model BiLSTM yang optimal dengan nilai MAPE terbaik pada masing-masing data saham yaitu TLKM 1.2027%, BBCA 1.2092% dan BYAN 2.0609%.